設計類電商Pinkoi發表AI模型，能自動化調整RMN投廣及個人化推薦非規格化商品

設計類垂直電商Pinkoi發表自建AI模型「生活風格智慧模型」。這個模型由625萬會員的72億筆行為數據、5.2萬設計品牌數據，以及110萬商品數據等資料訓練而成，可以進行個人化推薦、自動化RMN行銷方案規畫，以及呈現個人化商家商城頁面等功能。

Pinkoi表示，生活風格智慧模型是一個多功能模型，應用了自然語言處理 （NLP）、電腦視覺 （CV）、圖學模型（Graphical model）、深度學習 （Deep learning） 等技術，能從不同模態的數據中提取多維度洞察、為商品及消費者貼標、分類標籤，並用這些標籤來執行多種推薦功能，甚至排列組合商城頁面的設計元素。

Pinkoi技術長李讓說明了生活風格智慧模型的由來。早在2015年，他們就想利用AI來進行商城個人化推薦。「我們試過規則式推薦法，以及外部開源推薦模型，成效都不好。」他推測，Pinkoi作為設計類垂直電商，與一般電商有幾個關鍵差別，導致較通用的既有解決方案不適用。例如，站上商品多為非規格品，商品元數據格式和內容比較特別，不只如此，消費者購買設計類商品的動機和行為模式也有別於一般消費性商品。

沒有現成解方，Pinkoi只好自己從頭做。他們從建立訓練資料集開始，慢慢為數十萬件非規格商品建立元數據及屬性貼標，再用這些數據來訓練AI推薦模型，並逐步改善模型推薦成效，也新增了更多功能模組。

隨著模型版本迭代，這個模型不再只有推薦功能，還可以為商品、消費者行為、消費者人際關係，以及商家過往表現來貼標、分類，再用這些標籤來強化自身推薦功能。李讓表示，現在至少有8成商品標籤都是由AI自動貼上。即使商品本身一個標籤都沒有，此模型也能利用CV及NLP等技術，根據商品外觀來貼上不同維度、不同語言的標籤。

此模型替消費者貼標時，則會綜合商品標籤、消費者站上行為及消費輪廓類似的KOC（Key Opinion Consumer，關鍵意見消費者）購物行為來貼標。負責RMN的Pinkoi SaaS產品負責人李少昱補充，傳統Lookalike（類似受眾）分眾方法，大多只會用年齡層、性別、偏好商品類別等較表面的標籤來分析消費者。Pinkoi則會分析更細緻的站上行為，例如常常於不同頁面來回切換等購物習慣。

生活風格智慧模型今年最大里程碑是，模型分類能力更強，讓Pinkoi工程師更容易提取不同標籤分類，來開發出不同類型的推薦功能。

用消費者長期購物人格標籤強化商品推薦

最主要也最基本的推薦功能是個人化商品推薦，主要根據商品貼標及消費者貼標，來決定消費者瀏覽商城時看到的商品及RMN廣告。

今年，生活風格智慧模型有能力將消費者標籤進一步區分為長期「購物人格」和短期「即時動機」2大類標籤，進一步強化了推薦能力。購物人格是由價值主張、興趣、地域性文化、風格等4大分類標籤組成，即時動機則包含聖誕節送禮、婚禮布置等透露短期消費目的標籤。

李讓說明，有了長期購物人格標籤，可以使推薦結果更個人化，做到兩個人進行一模一樣的操作（展現即時動機），仍會分別收到不同商品推薦。甚至，Pinkoi不必被動等待消費者表明本次造訪網站的動機，就可以主動推薦合適商品和品牌給消費者──他們今年利用這個能力，推出了主動推播型RMN廣告格式。

Pinkoi表示，將長期購物人格標籤投入個人化推薦方法至今，消費者商品點擊率、瀏覽頁面數，以及網站瀏覽時間，分別提升了50%、22%、25%。

用品牌表現標籤強化RMN廣告投放參數推薦功能

利用生活風格智慧模型更細緻的品牌貼標能力，今年Pinkoi上線了RMN自動化投廣參數設定功能。此模型會根據品牌過往數據及相似品牌數據標籤，來推論品牌行銷需求，並自動設定廣告出價、行銷受眾、廣告成效指標等廣告投放參數。廣告主只要花費30秒輸入行銷預算跟促銷商品，再確認AI推薦參數，即能完成廣告設定。廣告投放期間，系統還會根據表現每天微調行銷策略。

用品牌及消費者標籤做到品牌商城頁面元素排列

今年11月，他們上線了品牌個人化版面服務。根據品牌及造訪消費者標籤，生活風格智慧模型會重新排列品牌商城頁面的元素，為不同消費者呈現出不同商城樣貌。Pinkoi表示，此功能最多可以排列組合出上萬種商城版面。

除了使用生活風格智慧模型來進行貼標和推薦，Pinkoi也於網站中導入其他AI應用，包括串接LLM來協助商家翻譯商品規格描述，以及即時翻譯客服對話等。